机器学习第七周（三）--using SVM

时间 2021-01-16 标签机器学习 svm原理支持向量机

Using SVM

使用SVM中需要确定参数C以及核函数。
前一讲中我们提到标记点的选取和核函数的选择尤为重要。作者这里列举了一些核函数，但只推荐线性核函数和高斯核函数，其它用的都较少。

线性核函数也叫无核函数，满足θTx≥0，则预测结果y=1。当你的特征数量n很大，但数据量m很小时，由于数据量不足，在这种情况下如果使用其他核函数，你可能会过拟合，因此，此时线性核函数是一个合理的选择。

注意：如果你有大小很不一样的特征变量，在使用高斯核函数之前，对它们进行归一化是很重要的。

多项式核函数一般用的也很少。

对于多分类情况，可以选择合适的SVM包，大部分SVM包已经内置了多分类函数。
还有一种方法是前面逻辑回归提到的一对多的方法，假设K分类，你需要训练出K个SVM，每一个SVM把一个类同其它类分开。

什么时候该用逻辑回归什么时候该用SVM呢？

n是特征变量的个数，m是训练样本数

1、如果n(相对于m)大很多时，使用逻辑回归，或者使用无核函数的SVM（线性核函数）。
如文本分类的问题，特征数量n=10000，而且如果你的训练集大小为m=10，在这个问题中，你有10000个特征变量，对应10000个词，但是你只有10个训练样本。这种情况下就比较适合使用逻辑回归或者线性核函数的SVM了。
2、如果n较小，m是中等大小，（例如n为1到1000之间的值，m为10到10000之间的值）那么使用高斯核函数的SVM效果好一些。
3、如果n很小，m很大时（如n=1000,m=100000+），那么高斯核函数的SVM运行起来会很慢，这种情况下，需要尝试手动地创建更多的特征变量，然后使用逻辑回归或者无核函数的SVM（线性核函数）。

注意：逻辑回归和不带核函数的SVM它们是非常相似的算法，如上图中，有时候它们表现是相似的。根据实现的具体情况，其中一个可能会比另一个更加有效。具体选择。

什么时候采用神经网络呢？
对于上面所有的情况，一个好的神经网络也很可能会非常有效，但是神经网络训练起来可能会很慢。但是如果你有一个非常好的SVM实现包，它会运行得比较快，比神经网络快很多。

SVM的优化问题，实际上是一个凸优化问题。因此好的SVM优化软件包总是会找到全局最小值，或者接近它的值。对于SVM，你不需要担心局部最优。在实际应用中，局部最优对神经网络来说不是非常大，但是也不小。所以使用SVM，你不用考虑这部分问题。